基于随机森林算法的陶瓷绝缘子新型泄漏电流预测模型研究

2022-02-28张晓华杜维柱吕志瑞薛建立

电瓷避雷器 2022年1期

张晓华，杜维柱，吕志瑞，蔡巍，卢毅，黄彬，薛建立

(1.国网冀北电力有限公司,北京 100053；2.国网冀北电力有限公司电力科学研究院,北京 1 00045；3.国网山西省电力公司营销服务中心,太原 030000)

0 引言

严重的环境污染和工业污染是引起输电线路停运中最严重的问题之一。绝缘子监测在评估现场污染严重程度、建立适当的维护程序以及实施有效防污染措施等方面起着重要作用[1]。现有针对绝缘子污染监测指标中应用最广泛的是等效盐沉积密度(equivalent salt deposit density，ESDD)、非溶性盐沉积密度(non-soluble deposit density，NSDD)和泄漏电流[2]。比较不同指标的特性可知，漏电电流是最适合在线监测的方法之一，可在不影响绝缘子运行的情况下进行连续测量。绝缘子的材料对漏电电流有很大影响。陶瓷材质是亲水的，而聚合物具有疏水转移性能，这就改善了绝缘子的污染性能，防止形成连续的水，降低了闪络风险[3-4]。聚合物材质中室温硫化(Room Temperature Vulcanized，RTV)有机硅涂料在玻璃绝缘体上的应用越来越受欢迎[5-7]，因为它们保持了钢化玻璃的固有特性，如机械可靠性和易于检查，同时提高了其污染性能，以大大减少了清洗的需要[8]。

国内外学者对此开展一定研究，如文献[9-10]采用线性和非线性回归技术，利用环境数据预测了陶瓷长棒和柱状绝缘子的泄漏电流，两者均发现非线性回归方法优于线性回归方法，且泄漏电流与绝缘子所接触的气象条件有一定的相关性。其中，它们把风信息直接作为输入进行预测，但并没有测量风速等数据，导致预测的误差较大。此外，由于回归系数随时间和环境条件的变化而变化，它们的适用性在很短的时间内非常有限。这表明这些回归技术不能很好地拟合，因为变量之间的模型关系非常复杂，不能用解析表达式和经典回归技术成功地描述。针对这一问题，利用基于机器学习的回归算法是解决上述问题的有效途径。在这方面，文献[11]采用人工神经网络(Artificial Neura Networks，ANN)等机器学习技术来预测瓷绝缘子ESDD的污染程度；或文献[12]采用支持向量机(Support Vector Machines，SVM)来预测复合绝缘子的闪络电压。上述二种研究都是在实验室通过人工污染试验进行的，泄漏电流不是作为预测模型的输出，而是作为输入，因此在现场的实际应用有限。机器学习方法在处理泄漏电流等高度变化的数据时表现出相当高的准确性。文献[13]比较了利用SVM和随机森林(Random Forest，RF)算法从污染、气象和绝缘子参数等方面预测绝缘子ESDD。相关实验研究结果表明，RF在精度上明显优于SVM回归模型，是一种很有运用前景的绝缘子漏电电流预测算法。与ESDD不同的是，泄漏电流是一个更有意义的参数，因为它提供了污闪机制的所有阶段的信息，它表明绝缘子串离闪络发生的距离。

笔者提出了一种新型预测绝缘子泄漏电流的方法，该方法通过机器学习算法—随机森林算法，利用气象参数信息，如湿度、温度、太阳辐射，提出了一种新型绝缘子累积污染指数；此外，本文建立了风的参数化模型，并将雨水和可溶污染收集在一个定向灰尘计中。最后，针对3组不同类型(全硅涂层、半涂层和非涂层的玻璃绝缘子串，进行连续22个月的监测，这些绝缘子均工作在相同的电气和环境条件下，利用实测相关数据，该方法可准去估计钢化玻璃绝缘子串以及具有疏水转移特性的RTV硅涂玻璃绝缘子的泄漏电流。

1 现场监测方案和数据采集

笔者实时泄漏电流监测系统位于海边，附近有火电厂和许多炼油厂、钢铁和化学工业。因此，环境条件较为恶劣[14-18]。该地区气候为冬季温和潮湿，夏季温暖而干燥，日照时间长适合在高紫外线条件下测试有机硅涂层等高分子材料[19-21]。后面章节将详细描述了测试设备、泄漏电流监测的特点以及天气数据收集和不同的污染测量和协议，以设计绝缘子串的泄漏电流预测模型。

1.1 实验设备

图1 实验设置图，从左到右为:全涂覆，半涂覆和未涂覆，在右下角是两个未通电的绝缘子串Fig.1 Test station set-up.from left to right:full-coated,half-coated and non-coated strings,and at the bottom right the two non-energized strings

1.2 泄漏电流和累积电荷的测量

在通电绝缘子串中均安装了独立的泄漏电流传感器，并连接到数据采集系统。用于测量电流的装置是安装在导线接地侧的隔离绝缘体，引导电流通过传感器。绝缘子串的泄漏电流是由绝缘子表面导电电解污染层和架空线路电压引起的。泄漏电流的峰值幅值可以反映绝缘子串与闪络的距离，是公认的对绝缘子性能评估的重要指标。这些参数信息对玻璃绝缘子特别有用，有利于计划预防性维护，如清洗，将闪络发生的风险降到最低。以硅酮涂层绝缘子为例。由于该材料的疏水特性，大大降低了泄漏电流，提高了绝缘子在污染下的性能。相反，聚合物材料在使用过程中会发生老化，其表面性能容易发生变化，这可能导致其疏水性的显著退化。泄漏电流及其在一段时间内的积分函数，即累积电荷，是评估材料降解的重要指标。图2为3串绝缘子的累积电荷变化情况。

图2 3种绝缘子串的累积电荷随时间的变化Fig.2 Cumulative charge evolution over time for the three strings

由上图可知，硅酮涂层可极大减少通过绝缘子串的泄漏电流，其中，全涂层减少了约94%的累积电荷，半涂层96%。两种涂层绝缘子之间的细微差别是由于数据缺失造成的。为了确定泄漏电流的特性，找出使绝缘子串闪络的值，本研究进行了附加试验。试验是根据IEC 60507中描述的盐雾法在相同结构的玻璃绝缘子串上进行的，并在上述地点的电压水平上进行。这一特性基于位置等效盐度(SES)的概念，这种方法是由来自不同欧洲公司的研究人员在20世纪70年代的中提出的，被认为是确定场地污染严重程度(SPS)的工具。这里需要指出的是，盐雾测试程序不适用于硅树脂涂层或聚合物绝缘体，因为盐水落在这些绝缘体上，由于其表面的疏水特性，盐水会珠化并流下，而不会留下污染沉积。对聚合物绝缘子和有机硅涂层绝缘子，目前还没有统一的人工污染检测方法。然而,在这个特定的例子中,玻璃绝缘子串的结果可以提供有价值的信息为涂层的几何形状和配置完全相同,将代表完全丧失疏水性涂硅绝缘体在最坏情况下运行。在这项研究工作中，玻璃绝缘子串在八种不同的盐度条件下进行了测试，在一系列连续3次测试中，每次盐度持续一小时，记录每次测试的最大泄漏电流，盐度逐渐增加，直到达到不可承受的盐度水平，即多个闪络发生时所考虑的盐度水平。测得的盐度分别为:7、20、40、80、112、136、160和224 kg/m3。图3为玻璃绝缘子串随盐度变化的泄漏电流特性。

图3 玻璃绝缘子串随盐度变化的泄漏电流特性Fig.3 Leakage current characteristics of the glass insulator string

1.3 气象数据

气象数据为每5 min记录一次相对湿度、气压、风向、风速、降雨量、温度、露点和太阳辐射。天气条件与绝缘子性能之间的相互作用是非常动态和复杂的，其监测是影响绝缘子性能的关键因素。众所周知，风是影响污染物在绝缘子上运移和沉积的主要因素之一。污染积聚和持续潮湿，即相对湿度超过75%或有雨，通常会在绝缘子表面形成导电电解层，并产生泄漏电流。值得注意的是，硅树脂涂层绝缘子主要受高瞬态润湿事件的影响，如小雨，而不是像非涂层绝缘子那样只受高相对湿度的影响。另一方面，雨水和长时间的高相对湿度也能冲走绝缘子表面的污染。

1.4 粉尘性污染物

实验平台还配备了符合IEC 60815标准的定向积尘仪(DDDG)，用以监测风载尘埃，同时也用于测定SPS。这一方法已被一些研究人员应用于评估不同国家绝缘体的污染水平。DDDG装置由4个集电极管组成底部装有一个罐子来收集污染。它位于离地面3米高的一个支撑柱上。每一根管子都面向四个方位:北、南、东、西。测量过程快速、简单和廉价。每隔一个月将罐子取出，将其与500 mL的软化水混合，并测量溶液的电导率。以μs/cm表示的归一化DDDG值，指的是500 mL的体积和一个月30天。监测期内月最大值为430 μs/cm，全年月平均值为153 μs/cm。

1.5 ESDD和NSDD的测量

等效盐沉积密度(ESDD)是等效氯化钠(NaCl)的沉积，当溶解在软化水中时，其电导率与从绝缘子表面去除的污染物自然沉积的电导率相同，其单位为mg/cm2。这些测量分别在3类绝缘子上进行，每3个月进行一次。由于ESDD的计算是在顶部和底部分别进行的，因此不需要额外安装半涂层管柱。各绝缘子串的平均ESDD及其随时间的变化如图4所示。

图4 监控期间绝缘子串的ESDD水平Fig.4 ESDD levels for the reference strings during the monitoring period

由图4可知，硅树脂涂层绝缘体比未涂层绝缘体收集的污染更多，然而，重要的是就污染性能而言，ESDD水平是不可比较的，因为污染的润湿过程对硅树脂涂层与玻璃涂层不同。污染在顶部和底部表面之间的分布是不均匀的，因为在垂直方向上，顶部表面比底部表面更容易被自然清洗。得到的平均上下比，也称为污染均匀比(CUR)，未涂覆绝缘子为3.66，涂覆绝缘子为5.23，随时间变化显著。从测定的ESDD溶液中过滤残渣，测定不溶性沉积密度(NSDD)。NSDD(mg/cm2)为含有污染物的滤纸重量(Wf)与滤纸初始重量(Wi)之差(干燥条件下均以mg表示)除以绝缘子表面面积(cm2)，如下所示:

(1)

与ESDD的情况一样，涂层绝缘子的NSDD水平也更高。一年后，无涂层绝缘子的NSDD为0.018 mg/cm2，有涂层绝缘子的NSDD为0.026 mg/cm2。

1.6 疏水性

对于疏水性，采用IEC 62073“喷雾法”的润湿性等级(WC)测量方法，对涂有硅酮的绝缘子的表面状态和疏水性进行了监测，WC 1的表面疏水性最强，WC 7的表面亲水性最强。对绝缘子上部测量了四种不同方向的WC，评估结果如表1所示。风的影响非常显著。来自西北的风将附近石化工厂的工业污染带过海洋，导致该区域表面的疏水性暂时丧失。

表1 湿润性监测Table 1 Wettability monitoring

2 依据环境及气象信息预测泄漏电流

在现场试验的监测期间，发现泄漏电流与环境和气象数据有显著的定性关联。一般来说，泄漏电流波形的形状是通过与润湿作用相关的离散污染事件来描述的。此类事件的发生、持续时间和电流水平取决于润湿的类型和速率以及绝缘子串上的累积污染。这是一个非常动态和复杂的过程，使得从环境和天气数据中预测泄漏电流成为一项非常具有挑战性的任务。本节将提出一种新型预测绝缘子串泄漏电流的方法，该方法是基于参数模型和随机森林(RF)算法，并得到了现场测量数据的支持。首先，根据风、定向灰尘和降雨数据建立累积污染指数(CPI)模型，实时估算绝缘子串的整体污染积累；然后，将CPI与湿度、温度和太阳辐射相结合，通过RF算法实现泄漏电流的预测。该方法适用于玻璃绝缘子和具有疏水转移性能的硅树脂涂层绝缘子。

2.1 累积污染指数

污染物在绝缘子表面的积聚主要由风产生。已有研究表明绝缘子表面积聚的污染随风速增加而增加，这种方法可以用DDDG测量代替ESDD，以便获得更真实的结果，因为收集管不受自洗和雨水的影响。此外，风向也被考虑在内，因为污染是对每个主要方向分别测量的，因此。可以评估不同污染源的位置。在每月进行一次DDDG测量的基础上，可计算出第i个月N、S、E、W四个方向的污染系数:

(2)

图5 收集器结构和收集器捕捉到的风流量作为风向的函数Fig.5 Detail of the collection tube and the captured wind flow for each collector as a function of the wind direction

一旦计算出实验污染系数，预测模型就可以估算出在某一个月i，给定采样时间间隔t下，每个方向的沉积尘埃电导率A的增量:

(3)

由四个方向的平均值计算出的污染指数，可估计绝缘子串积尘电导率的总体增加量:

(4)

降雨对绝缘子串的清洗有很大影响，降雨可从表面冲刷掉的污染物以指数方程的形式表示:

Mt=Mt-1×(1-e-kIt)

(5)

Mt为洗掉污染物表面单位面积上的质量(mg/cm2),Mt-1表面在t=0时的初始质量，k为洗掉常数取决于表面特征，I为平均降雨强度，其单位为mm/min。降雨后的污染浓度M可以表示为

M=Mt-1-Mt

(6)

CPI是表示绝缘子串上可溶性污染累积估计量的无量纲指标，将式(10)-(9)代入式(11)可计算出某时刻m的值：

CPIm=(CPIm-1+ΔPIm)×e-kImt

(7)

根据收集到的每个绝缘子串的数据拟合出冲刷常数，未涂覆绝缘子串的k1=0.006 8，半涂覆绝缘子串的k2=0.007 3，全涂覆绝缘子串的k3=0.008 1。由于三串绝缘子的几何形状相同，冲刷常数的变化是由不同的自洁行为和表面粗糙度引起的：

ESDD未涂层=α1CPIm

(8)

ESDD半涂层=α2CPIm

(9)

ESDD全涂层=α3CPIm

(10)

如式(8-10)和图6所示，可以通过线性回归将CPI即时数据转换为更容易解释的ESDD值。转换不同涂层、半涂层和全涂层的影响因子分别为α1=78×106(r2=0.82)、α2=155×106(r2=0.90)和α3=172×106(r2=0.88)。总的来说，估算的瞬时ESDD数据水平与现场实测数据具有较好的相关性。

图6 由CPI得到的瞬时ESDD水平Fig.6 Instantaneous ESDD levels obtained from CPI

2.2 基于随机森林算法的预测绝缘子串泄漏电流方法

分类和回归树(CART)是一种机器学习方法，用于从数据中构建预测模型。这些模型是通过递归地划分数据空间并在每个分区内拟合一个简单的预测模型来获得的。基于树的模型因其简单易用和可解释性而被广泛应用于研究工作中，但它们容易发生过拟合，特别是当树特别多的时候。为了解决上述问题，人们开发了将许多树组合成一个模型的集成方法。其中，一个模型是随机森林(RF)，为一种引导聚合技术(bagging)的回归树集合。RF对噪声响应具有鲁棒性，并具有很强的泛化能力。RF涉及两个主要的超参数来控制每棵树的结构，即一个节点必须被分割的最小大小，以及森林的结构，即树的数量，这些超参数是人为调整的。从现场测试中获得的数据被随机分成两个不同的数据集：一个用于训练，75%的数据可用，另一个用于验证模型。

图7为从气象和环境数据得到的泄漏电流预测模型示意图。

图7 利用气象和环境数据预测泄漏电流模型示意图Fig.7 Schematic diagram of the leakage current prediction model from the meteorological and environmental data

由图7可知，模型的四个预测因子是CPI，为相对湿度、温度和太阳辐射等。后一个预测因子与绝缘子表面入射的热能直接相关，这可能会使污染干燥，从而减少泄漏电流。通过袋外误差估计方法评估预测器的相对重要性，如图8所示。不同模型之间的差异是显著的，就CPI而言，污染和湿度对无涂层绝缘子的预测更相关，而对受太阳辐射和温度影响更大的全涂层和半涂层绝缘子。另一项研究考虑了四个和两个预测因子的模型。根据预测误差进行比较。基于R-squared、RMSE和MAE预测误差的比较见表2。使用四种预测器，验证数据集上泄漏电流预测值与实测值的对比如图9所示。根据这些结果，我们可以得出这样的结论:在非涂覆绝缘子的情况下，仅利用CPI和湿度就可以估计出所提出的方法的泄漏电流。但为了提高对全包覆和半包覆绝缘子泄漏电流的预测能力，有必要将温度和太阳辐射也考虑在内。